3. 点云预处理：体素滤波、直通滤波、统计滤波、半径滤波
点云预处理，说白了就是给激光雷达的数据「洗个澡」。
我刚开始做自动驾驶感知时，总觉得原始点云挺干净的，直接丢给聚类算法不就行了？结果第一次跑出来的障碍物轮廓，简直像毕加索的画——该有的没有，不该有的全冒出来了。后来才明白，不经过预处理的点云，就像没筛过的面粉，做出来的面包里全是疙瘩。
今天咱们就把这四种最常用的滤波方法掰开揉碎讲清楚。你想想看，激光雷达一秒钟扫出几十万个点，这里面有噪声、有地面、有远处的稀疏点，还有各种飞鸟和扬尘。不处理？算法直接崩溃给你看。
核心观点：点云预处理不是可选项，而是必选项。它直接决定了后续感知模块的精度和实时性。
3.1 体素滤波：给点云「瘦身」
体素滤波的原理其实特别简单。想象一下，你把三维空间切成一个个小立方体，每个立方体就叫一个体素。然后每个体素里只保留一个点——通常是这个体素内所有点的重心。这样一来，点云数量就大幅减少了。
我个人的习惯是，体素大小设成 0.1m 到 0.2m 之间。太小了降采样效果不明显，太大了会把障碍物的细节抹掉。有一次我在高速场景测试，体素设成 0.5m，结果一辆自行车直接被滤成了两个点——聚类算法死活认不出来。
// Autoware 中体素滤波的典型配置
pcl::VoxelGrid<pcl::PointXYZI> voxel_filter;
voxel_filter.setInputCloud(input_cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素边长 10cm
voxel_filter.filter(*output_cloud);小技巧：体素大小不是越小越好。城市道路建议 0.1m，高速公路可以放宽到 0.2m。如果你做的是泊车场景，0.05m 会更合适。
3.2 直通滤波：裁剪出你关心的区域
直通滤波，说白了就是「切一刀」。你指定一个坐标轴的范围，比如 X 轴从 0 到 50 米，Y 轴从 -10 到 10 米，Z 轴从 -1 到 2 米。所有在这个范围之外的点，统统砍掉。
为什么要这么做？因为激光雷达会扫到很多没用的东西。比如车顶上的树枝、远处的天空、甚至飞过的鸟。这些点不仅没用，还会干扰后续的聚类和跟踪。
我记得有一次在隧道里测试，直通滤波的 Z 轴范围设得太小了，结果把隧道顶部的点全切掉了。障碍物检测倒是正常，但定位模块因为缺少隧道顶部的特征点，直接飘了。嗯，这里要注意——直通滤波的裁剪范围要跟你的应用场景匹配。
// Autoware 中直通滤波的典型配置
pcl::PassThrough<pcl::PointXYZI> pass_filter;
pass_filter.setInputCloud(input_cloud);
pass_filter.setFilterFieldName("z"); // 沿 Z 轴裁剪
pass_filter.setFilterLimits(-1.0, 2.5); // 保留 -1m 到 2.5m 之间的点
pass_filter.filter(*output_cloud);注意：直通滤波的顺序很重要。先做体素滤波再做直通滤波，可以减少计算量。反过来，先切掉大部分区域再降采样，也能省内存。具体哪个先，看你更在意 CPU 还是内存。
3.3 统计滤波：干掉那些「不合群」的点
统计滤波的原理，是基于一个朴素的观察：噪声点通常离它的邻居很远。你想想看，一个正常的障碍物表面，点与点之间的距离是均匀的。但一个噪声点，比如激光打到空气中的尘埃上，它周围可能一个点都没有。
具体做法是：对每个点，计算它到所有邻居的平均距离。如果这个平均距离超过了全局均值加上若干倍标准差，就判定为离群点，直接干掉。
我一般把标准差倍数设成 1.0 到 2.0 之间。倍数太小，会把正常的点也误删；倍数太大，噪声点又滤不干净。曾经有一次我把倍数设成 3.0，结果发现点云里全是飞点——后来一查，是激光雷达的反射率校准出了问题。
// Autoware 中统计滤波的典型配置
pcl::StatisticalOutlierRemoval<pcl::PointXYZI> stat_filter;
stat_filter.setInputCloud(input_cloud);
stat_filter.setMeanK(50); // 邻居数量
stat_filter.setStddevMulThresh(1.0); // 标准差倍数
stat_filter.filter(*output_cloud);经验值：setMeanK 设成 50 是个不错的起点。如果点云密度高，可以增加到 100；密度低，减少到 20。这个参数需要根据你的激光雷达型号来调。
3.4 半径滤波：更严格的「社交距离」
半径滤波和统计滤波有点像，但判定标准更直接。它检查每个点周围指定半径内，有没有足够多的邻居。如果不够，就认为这个点是孤立的，删掉。
举个例子，你设半径 0.3 米，最少邻居数 5 个。那么一个点周围 0.3 米内如果少于 5 个点，就会被干掉。这个方法的优点是参数直观，好理解。
我个人觉得，半径滤波更适合处理稀疏场景。比如在空旷的停车场，激光雷达扫到的点本来就少，统计滤波容易误删。但半径滤波只要半径设得合理，就能保留那些真正有用的点。
// Autoware 中半径滤波的典型配置
pcl::RadiusOutlierRemoval<pcl::PointXYZI> radius_filter;
radius_filter.setInputCloud(input_cloud);
radius_filter.setRadiusSearch(0.3); // 搜索半径 0.3m
radius_filter.setMinNeighborsInRadius(5); // 最少邻居数
radius_filter.filter(*output_cloud);避坑指南：我曾经在雨天测试时，发现半径滤波把雨滴点全滤掉了，但同时也把远处一辆车的轮廓给削掉了一半。后来我把半径从 0.3 米缩小到 0.15 米，问题就解决了。所以参数一定要根据实际场景微调。
3.5 四种滤波的对比与选择
| 滤波方法 | 主要用途 | 关键参数 | 适用场景 |
|---|---|---|---|
| 体素滤波 | 降采样，减少点云数量 | 体素大小 | 所有场景，尤其是计算资源受限时 |
| 直通滤波 | 裁剪 ROI，去除无关区域 | 坐标轴、范围 | 固定场景，如城市道路、高速公路 |
| 统计滤波 | 去除稀疏离群点 | 邻居数、标准差倍数 | 点云密度均匀的场景 |
| 半径滤波 | 去除孤立点 | 搜索半径、最少邻居数 | 稀疏场景或需要严格去噪时 |
实际项目中，我通常把这四种滤波组合使用。先体素滤波降采样，再直通滤波裁剪 ROI，最后根据场景选择统计滤波或半径滤波。如果点云噪声特别多，两个都上也没问题——只是要注意计算时间。
好了，点云预处理这块就聊到这儿。记住一句话：预处理做得好，后续算法没烦恼。你把这些滤波玩明白了，Autoware 的感知模块就算入门了。